https://332002.xyz/tags/%E4%B8%96%E7%95%8C%E6%A8%A1%E5%9E%8B/Recent content in 世界模型 on 周先森的小站Hugo -- gohugo.iozhFri, 08 May 2026 00:00:00 +0800https://332002.xyz/p/world-model-survey/Fri, 08 May 2026 00:00:00 +0800https://332002.xyz/p/world-model-survey/<p>港科大、新加坡国立、牛津等十余所高校联合发了一篇 88 页的综述，试图解决一个越来越尴尬的问题：&ldquo;世界模型&quot;这四个字在不同圈子里意思完全不同。</p> <p>做强化学习的说的是 Dreamer 那种在脑子里想象未来再决策的系统，做视频生成的说的是 Sora 那种画面生成器，做 Web Agent 的说的是 LLM 对网页状态的预测能力。大家各说各的，论文之间根本没法比。这篇论文提出了一个**&ldquo;能力等级 x 领域法则&quot;的二维框架**，想把这些散落的社区拉到同一张地图上。</p> <h2 id="能力分三层">能力分三层 </h2><ul> <li><strong>L1 预测器</strong>：只管预测下一步。</li> <li><strong>L2 模拟器</strong>：能做多步推演，且推演结果要遵守所在领域的基本规则（物理世界不能让杯子穿桌子，软件世界不能调不存在的 API）。</li> <li><strong>L3 进化器</strong>：能在预测出错时主动诊断原因、设计实验获取新数据、修正自身模型。</li> </ul> <h2 id="领域分四类">领域分四类 </h2><table> <thead> <tr> <th>领域</th> <th>典型场景</th> </tr> </thead> <tbody> <tr> <td>物理世界</td> <td>机器人、自动驾驶</td> </tr> <tr> <td>数字世界</td> <td>网页浏览器、代码、GUI</td> </tr> <tr> <td>社会世界</td> <td>多智能体交互、社会模拟</td> </tr> <tr> <td>科学世界</td> <td>天气预报、材料发现、药物设计</td> </tr> </tbody> </table> <p>每个领域对&quot;什么算合法的状态转换&quot;有完全不同的约束，失败模式也不同。</p> <h2 id="跨领域的共性发现">跨领域的共性发现 </h2><p>综述 400 多篇工作后有几个有意思的结论：</p> <ul> <li><strong>视频生成模型视觉逼真度远超物理忠实度</strong>，最好的模型在物理一致性测试上通过率只有 26.2%。</li> <li><strong>LLM 驱动的社会模拟能复现舆论极化等涌现现象</strong>，但智能体有系统性的趋同偏差，跟真实人类行为分布偏离大。</li> <li><strong>目前 L3 做得最成熟的是自动化科学实验</strong>，比如 A-Lab 用机械臂在 17 天内完成 353 次闭环实验合成了 36 种化合物，失败实验被提炼为持久知识而非丢弃。</li> </ul> <h2 id="隐式表示的天花板">隐式表示的天花板 </h2><p>论文末尾有个观察：从牛顿定律到麦克斯韦方程，人类历史上最成功的世界模型全是符号化的、可直接修改和组合的。</p> <p>现在的神经网络把所有规则藏在权重里，L1 和 L2 阶段够用，但到了需要修改模型结构本身的 L3，这种隐式表示就成了障碍。</p> <p>世界模型的终局，是越来越大的神经网络，还是终究要回到可编辑的符号规则？</p>